基于流的主动学习用于机器状态监测中的异常声音检测
声音
2024-08-13 v1 音频与语音处理
摘要
本文提出了一种用于机器状态监测系统中异常声音检测（ASD）的主动学习（AL）框架。通常，ASD 模型仅基于正常样本进行训练，因为异常数据稀缺，导致推理过程中对未见样本的准确率下降。主动学习是一种有前景的解决方案，通过使模型能够以更少的标注样本更有效地学习新概念，从而减少人工标注工作。然而，其在 ASD 中的有效性尚未被探索。为最小化更新成本和时间，我们提出的方法侧重于在不重新训练神经网络模型的情况下更新 ASD 系统的评分后端。在 DCASE 2023 Challenge Task 2 数据集上的实验结果证实，我们的主动学习框架即使在低标注预算下也能显著提升 ASD 性能。此外，我们提出的采样策略在接收者操作特征曲线的部分面积指标上优于其他基线方法。
引用
@article{arxiv.2408.05493,
title = {Stream-based Active Learning for Anomalous Sound Detection in Machine Condition Monitoring},
author = {Tuan Vu Ho and Kota Dohi and Yohei Kawaguchi},
journal= {arXiv preprint arXiv:2408.05493},
year = {2024}
}
备注
Accepted as a conference paper in INTERSPEECH 2024